基于箱式约束RPCA的运动目标检测

为克服运动目标检测中光照变化、阴影干扰等的影响,提出了一种具有箱式约束的鲁棒主成分分析方法,用于带阴影的视频运动目标检测。该方法建模时首先将输入的视频数据分解为低秩背景、稀疏前景与阴影3个部分;接着在传统鲁棒主成分分析模型的基础上对阴影变量施加箱式约束,利用Powell-HestenesRockafellar增广拉格朗日乘子法将上述约束转化为目标函数的惩罚函数项,推导了3个子问题的闭合解,并用交替方向法对模型进行求解;最后在公开数据集上对该方法进行了测试。实验结果表明,该方法能够在检测运动目标的同时去除阴影,场景适应性较好。     

基于稀疏优化的智能电表误差估计方法

【目的】利用改进动态线损和稀疏优化方法研究智能电表运行误差估计。【方法】首先,考虑电表误差的稀疏性,加入稀疏正则项,对动态线损模型进行改进,提高误差估计的精准度;进一步地,利用交替方向乘子法改进设计迭代算法,交替求解改进动态线损模型,获取智能电表误差估计结果。【结果】利用Matlab和实际数据进行数值仿真实验,验证所提方法的有效性。【结论】通过分析线损率与计量误差估计的耦合关系,提高了误差估计的精度。与动态线损模型对比,本文所提方法的检测准确率更优。     

高分辨SAR目标成像方向性结构特征增强

针对传统稀疏特征增强的方式仅能完成对目标场景中特显点的增强,对复杂的目标结构特征无能为力的问题,考虑目标细节特征的复杂性,提出方向性结构全变分(directional total structure variation,DTSV)正则子进行结构先验表征,实现对成像目标复杂结构特征任意梯度变化的拟合,进而实现对结构特征的...     

基于ADMM的TV图像重建算法研究：设计、实现及评估

稀疏重建是当前CT(computed tomography)领域的研究热点,其实质是用稀疏视角下的投影来重建图像,以减少扫描过程中对病患的辐射剂量。随着压缩感知理论的提出,稀疏重建算法已经被广泛应用到了医学CT中。TV(total variation)算法是可以实现稀疏重建的一种有效方法。本文设计了一种基于ADMM(alternating direction method of multipliers)的TV算法,先将非约束的优化问题转换为约束形式,然后引入乘子,最后通过交替方向法实现迭代过程。该方法将复杂的优化问题分解为了若干个具有闭合形式的子优化问题,故迭代速度较快。仿真实验表明,与传统的滤波反投影算法相比,该算法可以实现稀疏角度下的高精度图像重建。同时还初步探讨了平衡因子在不同噪声情形下对重建精度的影响。     

融合深度图像先验的全变差图像着色算法

提出了融合深度图像先验的全变差(total variation,TV)图像着色模型,在即插即用(plug-and-play,PnP)框架下,结合交替方向乘子法(alternating direction method of multipliers,ADMM),设计出相应的数值求解算法,并给出该算法的收敛性结果.数值实验...     

基于ADMM的分布式有序充电调度算法

随着电动汽车数量不断增加,大量电动汽车的无序充电行为会导致电网过载和电池寿命损耗。虽然当前已有很多研究关注电动汽车的有序充电行为,但如何在大规模有序充电过程中实现最大化车主便捷性同时减少电池寿命损耗尚未被研究。研究关注充电便捷性和减少电池损坏的充电服务调度优化对充电站充电服务质量和用户满意度提升具有重要意义。笔者提出一个实时充电服务调度策略来协调大量电动汽车的充电行为,以实现最大化车主便捷性同时降低电池损耗。为减少充电过程中信息直接交换造成隐私泄露,同时降低算法计算复杂度,基于交替方向多乘子(ADMM,alternating direction method of multipliers)的分布式算法被提出。大量实验表明所提算法比已有算法有显著提升,能减少33.0%的电池寿命损耗和18.3%的电费支出。     

彩色纹理图像分割的非局部Mumford-Shah多通道全变差模型

彩色纹理图像分割的困难在于纹理图像成分的描述及彩色图像层与层之间的耦合。为解决该问题,基于多通道全变差规则项可优化彩色图像层与层之间的耦合,非局部算子可以描述纹理图像特征的特点,提出了彩色纹理图像分割的非局部Mumford-Shah多通道全变差变分模型。所提模型综合多通道全变差模型、非局部Mumford-Shah模型优点,并用二值标记函数划分区域。为了提高数值计算效率,对所提出模型设计了ADMM(alternating direction method of multipliers)优化算法。最后,通过数值实验对比以及定性与定量分析表明方法对于彩色纹理图像的分割取得较好结果。     

非凸运动辅助低秩稀疏分解目标检测算法

针对传统低秩稀疏分解(low rank and sparse decomposition, LRSD)用于视频运动目标检测时检测精度较低的问题,提出了一种鲁棒非凸运动辅助LRSD(robust nonconvex motion-assisted LRSD, RNMALRSD)的运动目标检测算法。该算法首先考虑到视频背景的低秩特性,采用非凸γ范数对秩函数进行逼近,考虑视频背景在变换域上仍然具有稀疏性,引入背景在变换域的稀疏先验。其次,引入运动辅助信息矩阵,使其融入前景的运动信息,表示每个像素属于背景的可能性,提高视频运动目标检测的准确度。然后,采用交替方向乘子法(alternating direction method of multipliers, ADMM)对提出的模型进行求解。最后,将提出的方法应用到视频运动目标检测上进行仿真实验。对实验结果的分析表明,提出的RNMALRSD方法比其他基于LRSD的运动目标检测方法具有更高的检测精度。     

基于形态学自适应分块的高分辨SAR多特征增强算法

传统基于l1范数正则化算子(least absolute shrinkage and selection operator,LASSO)模型的合成孔径雷达(synthetic aperture radar,SAR)压缩感知类稀疏成像算法易丢失弱散射点.基于扩展型组LASSO系列模型的算法虽可增强SAR结构特征以保留弱散...     

移动边缘网络中深度学习任务卸载方案

为了缓解网络带宽的压力、降低网络延迟,克服移动设备资源匮乏等问题,推动深度学习应用在移动终端的部署,提出一个基于移动边缘计算的深度学习任务卸载方案。基于深度神经网络专用加速芯片Eyeriss的架构,对深度学习任务的计算功耗进行建模,提出了一个基于混合l_1/l_2范数诱导的三阶段组稀疏波束成形(group sparse beamforming, GSBF)框架,通过对计算任务优先级的精心设计,尽可能地删除基站端冗余的计算任务,实现对整体网络功耗(包括发送功率损耗和计算功率损耗)的优化。针对该框架,提出了一个加速优化方案。仿真实验表明,在该场景下,所提出的框架在优化整体网络功耗方面具有显著优势,而加速算法可以进一步提升框架的性能。